基于特征优化与时序学习的软件定义网络可解释入侵检测系统

《Scientific Reports》：An interpretable intrusion detection system for software defined networks using feature optimization and temporal learning

　　

摘要

软件定义网络（SDN）系统通过其从中央控制点管理所有网络资源并运行动态网络配置的能力，改变了网络管理。目前现有的基于机器学习的入侵检测系统（IDS）需要解决三个根本问题，因为这些问题导致检测效果不佳，同时需要大量训练，且难以理解其分类结果。为了克服这些局限性，本文提出了一种名为瞪羚优化集成 IntruDet 模型（GOEIM）的新安全模型，用于 SDN 环境保护。给定的 GOEIM 架构建议先对数据进行预处理和归一化，以稳定特征，随后利用瞪羚优化算法（GOA）进行降维和特征的最优选择。该工作对该领域的一项贡献是提出了一种名为置换增强可解释相关性学习（PERL-X）的混合可解释性特征辨别机制，它是置换特征重要性、分层相关性传播和 DeepLIFT 的组合。随后，通过另一个双向简单循环单元（Bi-SRU）模型实现了 SDN 流量的双向时间依赖性的连续模型，这使得能够正确且及时地分类入侵。使用基准 SDN 入侵数据集对提出的 GOEIM 进行的实验评估显示，与现有的 IDS 模型相比，其性能非常高，检测准确率为 99.37%，误报率降低 41.6%，训练效率提升 28.4%。